یک سیستم تشخیص نفوذ مختص شبکه اینترنت اشیاء در شهرهای هوشمند با رویکرد یادگیری

یکی از کاربردهای مهم اینترنت اشیاء استفاده از این فناوری در شهرهای هوشمند است. در شهرهای هوشمند تعداد زیادی شی و گره هوشمند با قابلیت اتصال به شبکه وجود دارد و حجم بالایی از ترافیک در این شبکه وجود دارد. وجود حملات به زیرساخت های شهر هوشمند می تواند سرویس های آن را با چالش و مشکل مواجه سازد از این رو استفاده از روش های تشخیص نفوذ یک راهحل کاربردی برای رفع این مشکلات است. یک چالش مهم سیستم های تشخیص نفوذ برای اینترنت اشیاء حجم بالایی از ترافیک است که سرعت این سیستم های امنیتی را کاهش می دهد و نفوذ به شبکه را با تاخیر زیاد اعلام می کنند. در این پژوهش برای رفع این مشکل یک سیستم تشخیص نفوذ هوشمند با استفاده از الگوریتم یادگیری انسان و معماری آپاچی اسپارک معرفی و فرموله شده است. روش پیشنهادی با استفاده از الگوریتم بهینه سازی آموزش و یادگیری حجم ترافیک را کاهش داده و دقت را افزایش می دهد و معماری اسپارک شتاب یادگیری و تشخیص نفوذ را افزایش می دهد. نتایج پژوهش ما روی مجموعه داده تشخیص نفوذ و در معماری اسپارک نشان می دهد دقت روش پیشنهادی، شبکه عصبی مصنوعی، رگرسیون لجستیک، ماشین بردار پشتیبان بهبود یافته و ماشین بردار پشتیبان برای تشخیص حملات و نفوذ به ترتیب برابر 9867 ،% 97.04 ،% 92.77 ،% 96.24 % و 94.36 % است.روش پیشنهادی نسبت به روش رگرسیون لجستیک، ماشین بردار پشتیبان بهبود یافته و ماشین بردار پشتیبان، زمان کمتری برای تشخیص نفوذ و شناسایی حملات ارایه میدهد. روش پیشنهادی نسبت به رگرسیون لجستیک، ماشین بردار پشتیبان بهبود یافته و ماشین بردار پشتیبان به ترتیب 3.057 ، 1.296 و 3.064 برابر سریع تر حملات را تشخیص می دهد.

کلیدواژه ها:

آپاچی اسپارک ، اینترنت اشیاء ، شهر هوشمند ، حملات به شبکه ، تشخیص نفوذ